当前位置: 亚洲城ca88 > 亚洲城 > 正文

巩固型解析何以成为多少拆解剖判市镇的宗旨,

时间:2020-04-10 00:00来源:亚洲城
对于业务分析师和很多其他分析师来说,人工智能再也不是说说而已,已经成为当今的现实环境。要想提高分析技能,我们必须去学习这类新功能,并关注对企业有帮助的关键问题和机

对于业务分析师和很多其他分析师来说,人工智能再也不是说说而已,已经成为当今的现实环境。要想提高分析技能,我们必须去学习这类新功能,并关注对企业有帮助的关键问题和机会。

飞象网讯随着数据量的增长与数据价值的提升,现有的数据处理方式已经无法满足企业从大量且复杂的数据中挖掘价值的需要。使用增强型分析正在成为很多企业逐渐倾向的选择。

Gartner:2019年数据和分析技术十大趋势

你准备好机器人入侵了吗?或者,你只是担心自己的工作会被自动化所取代?

亚洲城 1

亚洲城 2

人工智能的时代不仅到来了,而且已经渗透到我们的生活中。从预测市场趋势,到重新订购很快要降价的食品杂货,再到无人机送货,可以说,我们的日常生活中人工智能无处不在,而工作中,也影响着我们开展业务的方式。当我们谈论人工智能时,最关注的是它能增强我们现有的能力。

Gartner研究总监 孙鑫(Julian Sun)

日前举行的Gartner数据与分析峰会上,Gartner研究副总裁Rita Sallam表示,数据和分析领导者必须分析这些趋势对业务的潜在影响,并相应调整业务模式和运营,否则就有失去竞争优势的可能。

人工智能可增强现有能力

2019年,Gartner将增强型分析(augmented analytics)确定为2019年数据与分析技术十大趋势之一。到2020年,增强型分析将成为企业新采购分析及商业智能、数据科学和机器学习平台以及嵌入式分析的主要驱动因素。

她说:“数据和分析技术不断发展,从支持内部决策到持续的智能、信息产品和任命首席数据官。深入了解技术趋势对于推动这一不断变化的趋势,并根据业务价值对其进行优先排序,这些都至关重要。”

人工智能应该被看作是增强我们现有能力的一种方式。提高当前的能力,加快执行速度,更快、更直接地为客户提供更大的价值。那么,对我们这些业务分析师来说,这意味着什么呢?

作为数据分析的高级增强阶段,增强型分析通过机器学习、人工智能等技术的应用,能够帮助普通用户在有限的数据科学专家或IT人员协助的情况下,访问有效数据,并对理论和假设情况展开测试与验证,从而为分析计划带来更多自动化功能以及创新洞察力。

根据Gartner副总裁、杰出分析师Donald Feinberg表示,数字化颠覆带来的挑战——有太多的数据——也创造了前所未有的机遇。大量数据以及由云实现的日益强大的处理能力,意味着现在我们可以大规模地训练和执行必要的算法,以最终发挥人工智能的全部潜力。

这对我们分析师来说是一个很好的机会!我们可以运用我们经过实践检验的真实技能,将其应用于新环境,以及新兴行业中,以挖掘需求,发现机遇。创新一直会有,但只有解决关键问题的成功才是伟大的成功。怎样才能知道什么样的问题是需要解决的好问题?你得做一些分析工作。根本原因分析、流程建模和分析、业务规则分析和数据建模等可以显示企业的关键方面有哪些表现不佳,甚至因自身行为而停止工作。

对此,Gartner研究总监孙鑫对记者强调:“未来,如果平台不具备增强型分析能力,则很可能将失去市场竞争力。增强型分析能以更低的门槛让用户开始做更复杂的数据分析,而且作为一种基于机器学习的分析模式,增强型分析能够在还未探索的问题中,帮助我们获取一些洞察。”

Feinberg说:“数据的大小、复杂性和分布式特性,以及数字化业务要求的行动速度以及持续智能,意味着需要打破僵化的、集中式的架构和工具束缚。任何企业的持续生存,都将取决于灵活的、以数据为中心的架构,以响应不断变化的速度。”

发现这些机会有助于我们敞开大门,与客户畅所欲言,讨论怎样开拓创新。然后通过学习新技术和方法,以及深度分析企业怎样利用人工智能来拓展我们的知识,这使我们获得了巨大的资源。我们将学习新技术有哪些功能,以促进合作头脑风暴会议,讨论这些新功能怎样为我们的企业带来价值。

同时他指出,增强型分析虽然可以让更多的普通用户掌握数据分析工具,但这并不意味着企业机构不再需要分析师和数据整理人员。并且由于增强型分析往往直接给出参考的业务洞察,它也不能够完全取代传统BI的作用。

Gartner建议数据和分析领导者与高级业务负责人讨论一下他们的关键业务优先级,并探索以下主要趋势如何实现这些优先级:

从这个角度来看,分析师需要注意他们的时间,并一如既往地关注哪些关键活动能带来最大价值。确定自动执行哪些日常活动,这样,你就可以把更多的时间花在促进合作、支持决策和了解需求上。这使得我们作为分析师专注于为企业提供什么样的价值。工作自动化的重点是消除工作中不需要思考的内容。的确,人工智能、机器人、无人机和其他创新技术所开展的工作令人感到惊奇,但首先也是最重要的,拥有计算能力来帮助开展日常工作的重点是确定哪些活动是重复性的。

增强型分析凭什么成为主导市场的趋势?

趋势1:增强分析

什么是多余的?我们常说的枯燥无味的东西是什么?这些都非常适合自动化!那么,怎么发现这些工作呢?没错,你必须做一些业务分析。分析师使用了一种很好的技术,叫做决策建模。很多分析师使用这种技术的难点在于,他们发现相关方并不总是以相同的方式做出决策。当你能够定义导致行为和活动模式的规则时,就可以开始使用人工智能技术了。这仍然需要打好基础,才能开始工作,并不断发展。

随着数据运营更进一步深入到企业的业务发展过程中,企业的业务系统所产生的数据以及需要分析的数据不断增长,企业的竞争力更已经在相当大的程度上取决于数据价值。这无疑对数据分析系统提出了严峻的挑战,因为要从这些海量的数据中找到最具指导价值的洞察无异于大海捞针,企业需要机器学习来更好地分析这些数据。

增强分析是数据和分析市场的下一波颠覆性发展趋势。增强分析采用机器学习和人工智能技术来转换开发、消费和共享分析内容的方式。

开始时先看看你的分析活动:哪些工作是重复性的?你每天都会做出什么决定?反复强调,从简单的开始!想想项目管理软件,这类软件开始时关注的是状态更新和可交付时间框架的模式,然后开始创建提醒和构建模板,从而使你工作起来更容易、更快。然后就可以花更多的时间和相关方一起工作,而不是去写报告。

这时候增强型分析就显得至关重要了。增强型分析在传统分析功能中加入更多的增强功能,这些功能基本上都是通过人工智能、深度学习等技术来实现,可以帮助分析人员对于数据进行自动化、或是更细更广维度的分析,并进行更加精准的自动模型训练,从而满足更多的数据分析需求。

到2020年,增强分析将成为分析和BI、数据科学和机器学习平台、嵌入式分析新增采购的主要驱动力。数据和分析领导者为在平台功能成熟的时候采用增强分析技术做好计划。

学会提出更好的问题

对此,孙鑫也进行了详细的解读。他表示:“数据分析分为准备数据、挖掘数据模式并建模、分享数据发现三个环节。增强型分析在这三个环节中都可以起到举足轻重的作用。”

趋势2:增强数据管理

随着能够把简单的东西交给人工智能处理,我们就可以处理更难的东西,但这意味着我们要发展并提高自己的技能。要提出更好的问题。提出更好的问题,解释企业应该开展什么业务。提出更好的问题,知道技术现在对我们有什么帮助。要想抓住机遇,也必须提出更好的问题。

首先,准备数据阶段。孙鑫表示,虽然一般的业务人员也可以准备数据,但在准备的过程中用到增强型分析,就可以利用其背后的机器学习技术让其自动推荐数据源、数据库,从而大大地缩短准备数据的时间,优化数据分析流程。

增强数据管理利用机器学习和人工智能引擎来划分企业信息管理类别,包括数据质量、元数据管理、主数据管理、数据集成、数据库管理系统自我配置和自我调整。增强数据管理能够让很多手动任务实现自动化,并让那些技术水平较低的用户更加自主地使用数据,此外还可以让高技能技术资源专注于更高价值的任务。

作为一名业务分析师,我们的重点总是放在通过协调一致、经过检验和验证的活动来发现正确的问题,以便帮助企业确定在当时的正确解决方案。我们的问题所关注的焦点不能仅局限在当前的时间框架。我们能利用今天的工作为明天做点什么吗?从现在开始一年以后呢?从现在开始五年以后呢?或者,我们能否不断调整我们的关注点,以适应不断变化的形势?你是否认识到消费者环境正在经历的变化,以及他们对满足需求的看法?顾客已经从优步转到了自动驾驶汽车你难道真的还是想让他们填写纸质表格吗?

其次,挖掘数据模式并建模阶段。增强型分析可以让用户通过简单的“拖拉拽”就实现很复杂的数据分析功能,比如说预测、聚类等。

增强数据管理将元数据转换为仅用于审计、沿袭和报告等用途,以及为动态系统提供动力。元数据从被动转为主动状态,成为所有人工智能/机器学习的主要驱动因素。

如果你还没有把关注点转移到消费者体验上来,那么现在是时候了。当你预测消费者和相关方将有什么需求时,你能想到会有什么问题出现?1个月后他们想要什么?6个月后呢?

孙鑫举例称:“过去,如果企业从销售报表中看到当期的销售数据下降,那么往往只能从价格、产品质量等维度推测可能的原因,而且这一推测还非常不准确。通过增强型分析,我们将可以发掘出更多的维度,并自动进行数据挖掘,以寻求问题的最优解。”

到2022年底,通过增加机器学习和自动化服务水平管理,数据管理手动任务量将减少45%。

更重要的是,人工智能给我们的挑战是,我们不仅要问客户有什么问题,还要想想我们自己的问题。在很多办公室工作中,人们对人工智能最大的疑问是人工智能对他们的工作意味着什么。作为业务分析师,我们也是如此,我们只需要发挥自己的分析技能。考虑问自己一些严肃的问题。我们怎样做才能避免被淘汰?你今天有没有问过自己,怎样做才能防止自己的角色被机器自动化所取代?你做复杂的分析工作吗?你的工作和日常流程是可编程的还是可重复的?更重要的是,哪些不是这样的?对于那些能让机器去做的事情你就不要再去操心了。

但需要注意的是,增强型分析并不会自动地生成指导策略,也不会告诉企业接下来应该怎么做,它只是会帮助决策者完善这个过程。

趋势3:持续智能

例如,当你选择时间、座位偏好和最喜欢的航空公司时,订机票这个过程会让人觉得是一种个人行为。但所有这些偏好是可以被激发出来的,被采集,然后输入决策模型。你的行动,连同这些模型,会被自动执行,甚至是被预测出来,这样你就不用再操心相关的工作了。但请注意,这里仍然需要激发出需求,需要对决策进行建模,还需要采集流程。

“业务人员也可以通过增强型分析做复杂的数据分析,这也是企业非常需要的。”孙鑫对记者坦言:“不是每家企业都有能力或资源聘用大量数据科学家,因此企业CIO或者数据领导者更应该做的是赋能一般的业务用户,让其能够通过工具去完成深层次的分析。”

到2022年,将有超过一半的主要新业务系统将采用持续智能,利用实时上下文数据来改善决策。

无论是否使用技术来帮助你,分析工作仍然很有价值,但现在必须从新的角度看问题,在不断发展的环境中工作。不要只拘泥于技术,否则你就无法在新环境中应用这些技术。自己的方法要流畅,并以理论为基础,这样你在不断讨论的过程中,就能够发现各种机遇。

最后,分享数据发现阶段。“增强型分析带来的真知灼见将更具备参考性,避免数据发现的偏见。此外,增强型分析也使得使用者能够用自然语言形式与系统沟通,从而更快捷地获取业务真相。”

持续智能是一种设计模式,在这种模式中,实时分析被集成到业务操作中,处理当前数据和历史数据以规定响应事件的操作。持续智能提供了决策自动化或决策支持,采用了如增强分析、事件流处理、优化、业务规则管理和机器学习等多种技术。

我们已经知道我们的多种分析技能是有价值的我们应思考它们在不断变化的环境中意味着什么。在此,应该把精力转移到提高技能上去。你是否很好地理解了人工智能,能够向企业阐明它的价值所在?人工智能距离告诉企业去购买新的人工智能技术还有一段路要走,但或许并不遥远。为什么人工智能非常重要? 它能为企业做些什么?

总结来看,增强型分析通过机器学习和AI技术,可以帮助企业机构准备海量数据进行分析并提供见解。不仅如此,增强型分析更有助于解决数据科学人才短缺的问题,并提高工作效率。基于以上这些优势,增强型分析成为数据分析市场的重要趋势也是自然而然的。

Sallam表示:“持续智能代表了数据和分析团队工作的一个重大变化。在2019年,分析和商业智能团队帮助企业做出更明智的实时决策,将是一个巨大的挑战,同时这也是一个巨大的机会,这可以被看作是运营商业智能的终极目标。”

最有价值的创新往往是对现有问题和老问题提出好的问题,而不是发明新东西。哪些难题、低效的工作和旧版组件阻碍了企业?在引入人工智能技术之前,必须解决这些问题?或者,人工智能技术自己就能解决这些问题?我们怎么才能知道? 我们必须做好分析工作。

增强型分析并不能完全取代传统BI

趋势4:可解释的人工智能

简言之,你的技能应始终保持在最前沿,继续尽可能多地学习,并让人们清楚地表达出今天哪些需求没有得到满足。这些需求就是你成功的机会!

如前所说,增强型分析虽然在很大程度上颠覆了目前的数据分析模式,但是这并不意味着传统BI的终结,也不意味着数据分析师将会失业。恰恰相反,其仍然需要用户具备数据素养,并对数据科学家的技能提出了更高的需求。因为他们不仅要帮助用户进行数据分析,还要尝试将这些数据分析结果以“故事化”的方式表现出来,以帮助决策者和普通用户理解数据,并找到下一步行动的方向。

人工智能模型被越来越多地用于增强和取代人类决策。但是,在某些情况下,企业必须证明这些模型是如何做出决策的。为了与用户和利益相关者建立信任,应用负责人必须让这些模型的可解释性更高。

作者:Jamie不愧为激情学士,她充分发挥了业务分析的价值,也给她身边的人带来了价值。她喜欢与他人分享提高分析技能的方法,与众不同的观察世界的方法,以及怎样通过可衡量的结果取得更大的成就。

对此,孙鑫反复强调:“增强型分析增强的是人,是协助人去做数据分析,而不是取代人去做数据分析,或是完全代替人去回答业务问题。增强型分析更多的是提供一个参考,让获取的真知灼见更有效、更客观。”

遗憾的是,大多数先进的人工智能模型都是复杂的黑盒子,无法解释它们是如何得出推荐和决策结果的。在数据科学和机器学习平台,可解释的人工智能能够自动生成一个用自然语言解释精确性、属性、模型统计和特征的解释模型。

亚洲城,编译:Charles

所以,对于企业来说,渐进式地向增强型分析演进至关重要。已经部署BI的企业可以寻求与供应商进行共同协作,通过产品更新、技术培训等方式将这些增强型分析功能融入到企业的数据分析流程之中,企业还需要确保在验证过程中包括分析师和数据科学家,因为他们能够更好地了解如何实施该计划。

趋势5:图形

原文网址:-artificial-intelligence-means-to-business-analysts.html

目前,增强型分析在银行业、农业、保险业、零售业等业务场景中都有一些实际的应用案例,并且取得了不错的反响,得到了市场的认可。

图形分析是一组分析技术,可以探索组织、人员和交易等利益实体之间的关系。

责任编辑:周星如

到2022年,图形处理和图形DBMS应用将以每年100%的速度增长,不断加速数据准备,并实现更复杂和自适应的数据科学。

据Gartner称,图形数据存储可以跨数据孤岛有效地建模、探索和查询数据,但是对专业技能的需求限制了对这种技术的采用。

由于需要提出关于复杂数据的复杂问题,而使用SQL查询是不切实际或者大规模无法实现的,因此促使图形分析将在未来几年内实现快速增长。

趋势6:数据结构

数据结构可以在分布式数据环境中实现无摩擦的数据访问和数据共享。它支持单一且一致的数据管理框架,可通过跨孤岛存储进行设计实现无缝的数据访问和数据处理。

到2022年,定制的数据结构设计将主要被部署为静态基础设施,迫使企业组织面对完全重新设计更动态数据网格方法的新成本浪潮。

趋势7:NLP/会话分析

到2020年,将有50%的分析查询是通过搜索、自然语言处理或语音生成的,或者是自动生成的。分析复杂的数据组合并使企业组织中的每个人都可以访问分析的需求,将推动更广泛的采用,让分析工具像搜索界面或与虚拟助理对话一样简单。

趋势8:商业化人工智能和机器学习

Gartner预测,到2022年,利用人工智能和及其学习技术的新最终用户解决方案中,将有75%是采用商业解决方案而非开源平台构建的。

厂商们现在已经开发了连接到开源生态系统的连接器,为企业提供扩展人工智能和机器学习以及实现民主化所必要的功能,例如项目和模型管理、复用、透明度、数据沿袭以及开源技术缺乏的平台集成。

趋势9:区块链

区块链和分布式账本技术的核心价值,是在不受信任的参与者网络中提供去中心化的信任。分析用例的潜在影响很大,尤其是那些利用参与者关系和交互影响的用例。

然而,在四到五个主要区块链技术成为主导之前,还需要若干年的时间。在此之前,技术最终用户将被迫与主要客户或网络指定的区块链技术和标准进行集成,包括与你现有的数据和分析基础架构的集成。整合成本可能掩盖了任何潜在的好处。区块链是数据源,而不是数据库,不会取代现有的数据管理技术。

趋势10:永久内存服务器

新的永久内存技术将有助于降低采用内存计算架构的成本和复杂性。永久内存代表DRAM和NAND闪存之间的一个新内存层,可以为高性能工作负载提供经济高效的大容量内存。这种技术有可能改善应用的性能、可用性、启动时间、集群方法和安全实践,同时控制成本。,此外还可以通过减少数据复制的需要,帮助企业组织降低应用和数据体系结构的复杂性。

Feinberg说:“数据量正在快速增加,将数据实时转化为价值的紧迫性,也同样在快速增长。新的服务器工作负载不仅要求更高的CPU性能,还要求大容量内存和更快的存储。”

文章来源 : 中国工业新闻网

编辑:亚洲城 本文来源:巩固型解析何以成为多少拆解剖判市镇的宗旨,

关键词: 亚洲城ca88